Графіки EDA I
Після розрахунку кількох базових статистик час висунути та перевірити ідеї щодо залежностей у даних. Як і раніше, датафрейм train із змагання про таксі вже доступний у вашому робочому середовищі.
Для початку побудуйте діаграму розсіювання, що показує зв'язок між сумою оплати поїздки та відстанню. Інтуїтивно: що довша поїздка, то вища її ціна.
Щоб отримати відстань у кілометрах між двома геокоординатами, ви використаєте відстань Гаверсина. Її можна обчислити за допомогою функції haversine_distance(), яку для вас уже визначено. Функція очікує на вхід датафрейм train.
Ця вправа є частиною курсу
Як перемагати в змаганнях Kaggle за допомогою Python
Інструкції до вправи
- Створіть нову змінну "distance_km" як відстань Гаверсина між точками посадки та висадки.
- Побудуйте діаграму розсіювання з "fare_amount" по осі x та "distance_km" по осі y. Щоб намалювати діаграму розсіювання, використайте метод matplotlib
scatter(). - Обмежте відстань поїздки діапазоном від 0 до 50 кілометрів, щоб не відображати викиди.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Calculate the ride distance
train['distance_km'] = ____(train)
# Draw a scatterplot
plt.____(x=____[____], y=____[____], alpha=0.5)
plt.xlabel('Fare amount')
plt.ylabel('Distance, km')
plt.title('Fare amount based on the distance')
# Limit on the distance
plt.ylim(0, ____)
plt.show()